Glossaire IA et LLM : les termes essentiels pour les professionnels

Entre LLM, RAG, agent, MCP ou reranker, le vocabulaire de l'intelligence artificielle générative s'est enrichi très vite, parfois au détriment de la clarté. Ce glossaire réunit onze termes qui reviennent constamment dans les discussions professionnelles, avec une définition courte, un exemple concret et les confusions à éviter. De quoi suivre une réunion avec un prestataire ou une équipe technique sans hocher la tête poliment sans comprendre.

Pourquoi ce vocabulaire compte dans une entreprise

Confondre un LLM et un agent, ou penser que le fine-tuning règle un problème qui relève en réalité du RAG, mène souvent à de mauvais choix d'outils et à des budgets mal dirigés. Un décideur qui maîtrise ces notions pose les bonnes questions à un prestataire, lit une documentation technique sans traducteur, et distingue un vrai projet d'IA utile d'un effet d'annonce. C'est particulièrement vrai pour les fonctions juridiques, RH ou conformité, qui manipulent de plus en plus d'outils d'IA sur leurs propres documents : voir à ce sujet notre article sur le RAG juridique, RH et conformité.

Les briques de base : LLM, token et fenêtre de contexte

Ces trois termes décrivent le fonctionnement interne d'un modèle de langage, avant même de parler de documents ou de recherche.

• LLM (grand modèle de langage) : un programme entraîné sur d'immenses quantités de texte pour prédire la suite probable d'une phrase. C'est le moteur qui génère du texte, répond aux questions ou résume un document. Un LLM ne « sait » rien par lui-même : il reproduit des régularités statistiques apprises pendant son entraînement, d'où l'intérêt de lui fournir des documents à jour plutôt que de se fier uniquement à sa mémoire.
• Token : l'unité de texte que le modèle manipule, souvent un mot, une partie de mot ou un signe de ponctuation. Un texte de 1 000 mots en français représente environ 1 300 à 1 500 tokens. Le nombre de tokens traités influence directement le coût et la vitesse d'une requête, car la facturation des modèles se fait généralement au token.
• Fenêtre de contexte (context window) : la quantité maximale de tokens qu'un modèle peut lire et produire en une seule fois, question et réponse comprises. Une fenêtre trop petite oblige à découper un document ; une fenêtre très large permet de coller un dossier entier dans le prompt, mais coûte plus cher et ne garantit pas une lecture attentive de chaque page. Notre article sur RAG vs contexte long détaille quand privilégier l'une ou l'autre approche.

Comprendre le sens d'un texte : embedding, base vectorielle et reranker

Avant de répondre, un système d'IA doit souvent retrouver les bons passages dans une masse de documents. Ces trois notions décrivent ce mécanisme de recherche par le sens, plutôt que par simple correspondance de mots.

• Embedding : une représentation numérique d'un texte sous forme de vecteur, c'est-à-dire une liste de nombres qui capture son sens. Deux phrases proches en signification, même formulées différemment, obtiennent des vecteurs proches. C'est ce qui permet à un moteur de recherche de comprendre qu'une question sur « résiliation de contrat » doit aussi remonter un passage parlant de « rupture anticipée ». Le mécanisme est détaillé dans notre explication des embeddings.
• Base de données vectorielle : un système de stockage optimisé pour comparer rapidement des millions de vecteurs entre eux et retrouver les plus proches d'une requête. C'est l'index qui rend possible une recherche sémantique à grande échelle. Voir qu'est-ce qu'une base de données vectorielle pour une explication complète.
• Reranker : un second modèle, plus lent mais plus précis, qui reclasse une liste de passages déjà trouvés pour ne garder que les plus pertinents avant de les envoyer au LLM. Il sert de filtre de qualité après une première recherche large, souvent combinée avec une recherche par mots-clés classique, comme l'explique notre article sur la recherche hybride.

RAG, agent et MCP : relier l'IA à vos documents et à vos outils

Ces trois termes décrivent comment une IA générative sort de sa mémoire d'entraînement pour s'appuyer sur des informations réelles et agir dans un système existant.

• RAG (retrieval-augmented generation, génération augmentée par récupération) : une méthode qui consiste à chercher les passages pertinents dans une base de documents, puis à les fournir au LLM pour qu'il rédige sa réponse à partir de ce contenu réel, sources citées à l'appui. C'est l'approche détaillée dans notre guide pratique du RAG. Sur Kopik, chaque base de connaissances fonctionne sur ce principe : les réponses citent les passages exacts des documents chargés.
• Agent IA : un système qui ne se contente pas de répondre à une question mais enchaîne plusieurs étapes de façon autonome, par exemple interroger une base de connaissances, consulter un calendrier, puis rédiger un e-mail. Un agent combine un LLM avec des outils externes qu'il décide d'appeler selon la situation.
• MCP (Model Context Protocol) : un protocole standard qui permet à un agent ou à un assistant comme Claude, Cursor ou ChatGPT de se connecter à des outils et des sources de données externes de façon uniforme, sans développer une intégration sur mesure pour chacun. Voir MCP expliqué simplement. Kopik expose justement chaque base via un serveur MCP, en plus du site et d'une API REST classique : voir la documentation développeur.

Fine-tuning et hallucination : deux pièges à ne pas confondre

Deux notions souvent mal comprises, qui concernent toutes deux la fiabilité d'un modèle, mais à des moments différents du processus.

• Fine-tuning : un réentraînement partiel d'un modèle sur un jeu de données spécifique, pour lui faire adopter un style, un format de réponse ou un vocabulaire particulier. Le fine-tuning modifie le comportement général du modèle, il ne lui donne pas accès à des documents à jour, contrairement au RAG. Le choix entre les deux dépend de l'objectif : voir RAG ou fine-tuning pour les critères de décision.
• Hallucination : une réponse générée par le modèle qui semble cohérente et bien formulée, mais qui est factuellement fausse ou inventée. C'est le risque principal d'un LLM utilisé sans source documentaire vérifiable. La parade la plus efficace reste de contraindre le modèle à s'appuyer sur des passages réels et citables, comme détaillé dans réduire les hallucinations de l'IA.

Tableau récapitulatif du glossaire IA

Ce tableau n'est pas exhaustif, mais il couvre les termes qui reviennent le plus souvent dans un cahier des charges ou une démonstration commerciale. Si vous devez choisir entre plusieurs approches pour exploiter vos propres documents, notre comparatif des plateformes RAG as a service complète utilement ce glossaire.